本研究应用贝叶斯方法通过观测 Twitter 上短消息的转发情况和本地网络结构的信息，预测了短消息的传播程度和转发总数，有效提前几分钟预测结果，对于理解社交网络中的广义思想、主题或趋势的传播有潜在的启示作用。

Apr, 2013

本章介绍了点过程、特别是霍克斯过程，用于对连续时间上的离散、相互依赖的事件进行建模。我们介绍了霍克斯过程及其事件强度函数、事件模拟和参数估计方案，并描述了一个基于社交媒体数据的实际例子。我们提出了内存核的设计方法，以及如何估计参数和预测流行度的结果。代码和示例事件数据作为在线附录提供。

Aug, 2017

本篇论文关注于利用自激励点过程来预测给定信息发布帖子的最终转发次数。我们的模型不需要训练或者昂贵的特征工程，能够实时回答关于信息传播历史以及未来传播的问题，并且在一月的 Twitter 数据集上展现了较强的预测精度。

Jun, 2015

本文提出了一个基于自助 Hawkes 过程的概率模型，以表征个体微博获得其流行度的过程，并在最受欢迎的中国微博网络新浪微博上应用，证明了该模型优于基于强化泊松过程的模型。

Mar, 2015

通过将社交网络影响视为用户感知的影响，开发了用于用户活动的概率模型，其中每个用户的活动根据一个具有隐藏状态的马尔可夫链发展，而该隐藏状态受用户朋友的集体活动影响。通过使用推特上用户活动的大量语料库验证所提出的模型，数值研究表明，在具有足够观察以确保准确模型学习的情况下，所提出的框架比基于更新过程的模型或传统的未耦合的隐藏马尔可夫模型更好地解释了观察到的数据，并展示了所提出方法在预测下一条推文的时间方面的效用。最后，该模型参数空间中的聚类显示出由用户和他的网络之间的互动动态特征化的不同自然群集。

May, 2013

本文提出了一种名为动态 Hawkes 过程（DHP）的方法，它能够捕捉事件扩散背后的社区状态演化规律，并基于演化规律预测事件的发生。与其他五种采用的事件预测方法相比，DHP 的实验表现更加优异。

May, 2021

社交媒体上的内容传播受到三个层面的相互影响因素的塑造：源头、内容本身和传播途径。本文提出了贝叶斯混合霍克斯模型，共同学习源头、内容和传播的影响。我们将 BMH 模型制定为可分离霍克斯过程的分层混合模型，适应不同类别的霍克斯动力学和特征集对这些类别的影响。我们将 BMH 模型应用于两个真实世界的转推级联数据集的两个学习任务：冷启动热度预测和时间特征广义性能。BMH 模型在这两个数据集上表现优于现有模型和预测基准，并比其他选项更好地利用了级联和项目级别的信息。最后，我们进行了一个反事实分析，将训练的出版商级别 BMH 模型应用于一组文章标题，并展示了标题写作方式（中立、点击诱导、煽动性）在不同出版商之间的有效性差异。BMH 模型揭示了具有争议性和有声望的出版商之间的风格有效性差异，我们发现点击诱导对有声望的出版商而言比争议性出版商更加有效，这与后者过度使用点击诱导的情况相关。

Jun, 2024

本文介绍了一种新的基于 Hawkes 过程及自激点过程的混合算法，用于预测社交媒体信息的流行度，并通过实验证明了该方法相较于目前流行的特征驱动和生成模型具有更好的性能。同时，本文通过统计用户特征和事件时间摘要数据证明了该方法在分类和回归任务中表现出色，并建议后续会有更多工作将会在特征驱动和生成建模的方法上进行比较。

Aug, 2016

该研究使用 BLL 公式设计了一个以时间为中心的 BLLi,s 算法，用于推荐标签并结合时间因素进行预测，结果表明 BLLi,s 相比于其他推荐算法具有更准确的预测和排序结果。

Jan, 2017

本文提出了一种时态点过程模型，通过考虑用户历史推文序列和邻居推文来同时预测用户下一个推文的发布时间和立场标签，设计了一个主题驱动的注意机制来捕捉邻域上的动态话题转换，实验结果表明，该模型相对于其他具有竞争力的基线模型更准确地预测了未来推文的发布时间和立场标签。

May, 2020